💰 quantitative finance

Advanced Applications of Generative AI in Actuarial Science: Case Studies Beyond ChatGPT

Cet article examine le potentiel de l'IA générative pour soutenir la pratique actuarielle à travers quatre études de cas concrètes — allant de l'extraction de caractéristiques textuelles pour la prédiction des coûts de sinistres à la migration autonome de code legacy — tout en abordant les défis réglementaires, de sécurité et de gouvernance liés à son déploiement dans le secteur de l'assurance.

Auteurs originaux : Simon Hatzesberger, Iris Nonneman

Publié 2026-04-21

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Simon Hatzesberger, Iris Nonneman

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez le monde de l'assurance comme un vaste chantier de construction. Traditionnellement, les actuaires (les architectes du risque) travaillaient avec des règles strictes, des calculs manuels et des données rangées dans de grands classeurs bien ordonnés.

Aujourd'hui, l'Intelligence Artificielle Générative (GenAI) est arrivée sur le chantier comme une équipe de super-assistants robotiques. Ce ne sont pas de simples calculatrices, mais des robots capables de lire, de comprendre, de dessiner et même de réécrire des plans.

Cet article raconte comment quatre de ces robots ont été testés sur des tâches réelles, et quels sont les pièges à éviter.

1. Les Quatre Grands Expériences (Les Cas Pratiques)

L'article présente quatre histoires de réussite où l'IA a aidé les humains :

🧩 Histoire 1 : Le Détective des Mots (Prédire les coûts des sinistres)

Le problème : Les assureurs ont des tonnes de données chiffrées (âge, salaire), mais aussi des milliers de rapports de sinistres écrits à la main ou en texte libre (ex: "La voiture a glissé sur une plaque de verglas en tournant à gauche"). Les vieux ordinateurs ne savaient pas lire ces histoires.
La solution IA : Un robot (un grand modèle de langage) a lu ces rapports comme un détective. Il a extrait les infos cachées : "Corps blessé : épaule", "Cause : glissade".
Le résultat : En donnant ces nouvelles informations au calculateur, la précision des prévisions de coûts a bondi de 18 %. C'est comme si on passait d'une estimation grossière à une prévision chirurgicale.

📚 Histoire 2 : Le Bibliothécaire Ultra-Rapide (Comparer les marchés)

Le problème : Pour comparer les assureurs, il faut lire des rapports annuels de centaines de pages, pleins de tableaux complexes et de jargon. C'est fastidieux et source d'erreurs.
La solution IA : L'IA utilise une technique appelée "RAG" (comme un bibliothécaire qui va chercher le bon livre dans une bibliothèque géante avant de répondre). Elle fouille instantanément les rapports de trois géants (AXA, Generali, Zurich) pour trouver des chiffres précis comme les ratios de solvabilité.
Le résultat : Elle a extrait les données avec une précision de 100 % sur certains points, transformant un travail de plusieurs jours en quelques minutes.

🚗 Histoire 3 : L'Expert Visuel (Analyser les dégâts de voiture)

Le problème : Quand on envoie une photo d'une voiture abîmée, les vieux systèmes ne voient que "une voiture". Ils ne distinguent pas bien si c'est une rayure légère ou un pare-brise éclaté.
La solution IA : On a entraîné un robot à "voir" et à comprendre le contexte. Il ne se contente pas de dire "c'est une rayure", il précise "c'est une rayure sur le pare-chocs arrière".
Le résultat : Ce robot voit aussi bien, voire mieux, que les experts humains pour classer les dégâts, et il peut même estimer la gravité. C'est comme avoir un expert-assureur qui regarde votre photo en 1 seconde.

🔄 Histoire 4 : L'Architecte de Traduction (Migrer le vieux code)

Le problème : Les assureurs ont des systèmes informatiques vieux de 30 ans écrits dans un langage obscur (R, SAS). Les faire fonctionner sur des systèmes modernes (Python) est un cauchemar manuel, risqué et lent.
La solution IA : Une équipe de 5 robots spécialisés a travaillé ensemble.
- Le premier a lu le vieux code.
- Le deuxième l'a traduit.
- Le troisième a vérifié les erreurs.
- Le quatrième a fait passer des tests.
- Le cinquième a écrit le rapport.
- S'il y avait une erreur, le robot se corrigeait lui-même (boucle de rétroaction).
Le résultat : Ils ont réussi à traduire du code complexe avec une fiabilité totale, prouvant que l'IA peut gérer des tâches complexes en équipe.

2. Les Outils Magiques (Comment ça marche ?)

Pour rendre ces robots utiles, les auteurs utilisent trois "super-pouvoirs" :

La "Boîte à Outils" (Structured Outputs) : On ne laisse pas le robot écrire n'importe quoi. On lui dit : "Réponds uniquement sous forme de tableau" ou "Donne-moi juste le chiffre". Cela évite les bavardages inutiles.
La "Mémoire Externe" (RAG) : Au lieu de demander au robot de tout savoir par cœur (ce qui peut le faire halluciner), on lui donne accès à une bibliothèque de documents précis qu'il doit consulter avant de répondre.
L'Équipe (Multi-Agent) : Au lieu d'un seul robot qui fait tout, on crée une chaîne de montage où chaque robot a un rôle précis (analyse, traduction, vérification), ce qui rend le système plus robuste.

3. Les Pièges et les Règles de Sécurité (La partie sérieuse)

L'article met en garde : ces robots sont puissants, mais ils ne sont pas infaillibles. Voici les risques, expliqués simplement :

Le "Double Visage" (Dual-Use) : La même technologie qui aide à détecter une fraude peut être utilisée par des malfrats pour fabriquer de fausses preuves (fausses photos de voitures abîmées, faux rapports). C'est comme donner un marteau à un artisan pour construire une maison, mais aussi à un voleur pour casser une vitre.
L'Hallucination : Parfois, le robot invente des faits avec une telle confiance qu'on y croit. En assurance, une erreur de calcul peut coûter des millions.
La Confidentialité : Envoyer des données sensibles (santé, finances) à un robot public, c'est un peu comme crier ses secrets dans une place publique. Il faut s'assurer que le robot ne les garde pas pour lui.
Le Manque de Répétabilité : Si vous demandez la même chose deux fois au robot, il peut donner deux réponses légèrement différentes. Pour des régulateurs qui exigent de la rigueur, c'est un problème.

4. La Conclusion : L'Humain reste le Capitaine

Le message final de l'article est rassurant mais réaliste : L'IA ne remplacera pas les actuaires.

Imaginez l'IA comme un copilote ultra-compétent dans un avion. Elle peut lire les cartes, calculer la météo et même piloter pendant un moment. Mais le capitaine (l'humain) doit rester aux commandes, vérifier les instruments, prendre les décisions finales et assumer la responsabilité.

L'avenir de l'assurance n'est pas "Humain contre Machine", mais "Humain avec Machine". Ceux qui sauront utiliser ces nouveaux outils pour déléguer les tâches ennuyeuses et se concentrer sur l'analyse et la stratégie seront les nouveaux leaders du secteur.

En résumé : L'IA générative est un outil formidable pour nettoyer, analyser et traduire l'énorme quantité de données des assureurs, à condition de l'utiliser avec prudence, de vérifier son travail et de garder un œil humain vigilant.

1. Problématique et Contexte

L'article aborde la transformation de la science actuarielle et du secteur de l'assurance par l'intelligence artificielle générative (GenAI). Bien que les actuaires aient traditionnellement utilisé des modèles statistiques (GLM, méthodes de réassurance) et plus récemment l'apprentissage automatique sur des données structurées, une grande partie des données critiques (descriptions de sinistres, rapports annuels, images de dommages, code legacy) reste non structurée ou difficilement exploitable.

Le défi principal réside dans l'intégration efficace de la GenAI (notamment les grands modèles de langage ou LLM) dans des environnements réglementés, tout en surmontant les obstacles liés à la non-déterminisme des modèles, aux risques de sécurité, à la confidentialité des données et à la nécessité de validation rigoureuse. L'article vise à démontrer que la GenAI ne se limite pas à la génération de texte, mais peut automatiser des tâches complexes d'extraction, de classification et de migration de code avec une précision validée.

2. Méthodologie

Les auteurs proposent une approche basée sur quatre études de cas concrètes, toutes implémentées sous forme de notebooks Jupyter et disponibles sur GitHub. Chaque étude de cas utilise des techniques avancées de GenAI adaptées aux besoins spécifiques de l'actuariat :

Étude de cas 1 : Prédiction du coût des sinistres (Extraction de caractéristiques)
- Approche : Utilisation d'un LLM (GPT-4o mini) via une API de « Sorties Structurées » pour extraire des entités spécifiques (parties du corps blessées, causes de l'accident) à partir de descriptions textuelles non structurées de sinistres (compensation des travailleurs).
- Traitement : Les sorties brutes du LLM sont normalisées via un « codebook » déterministe (règles d'expressions régulières) pour créer des variables catégorielles.
- Modélisation : Ces nouvelles caractéristiques sont intégrées dans un modèle de régression par Gradient Boosting pour prédire le coût ultime des sinistres, comparé à un modèle de base utilisant uniquement des données tabulaires.
Étude de cas 2 : Comparaison de marché automatisée (RAG)
- Approche : Mise en œuvre d'un pipeline Retrieval-Augmented Generation (RAG) pour extraire des données financières et réglementaires (ratios de solvabilité, taux d'actualisation, notations de solidité financière) des rapports annuels PDF de trois grands groupes d'assurance.
- Architecture :
  1. Prétraitement : Nettoyage et découpage (chunking) des documents PDF.
  2. Récupération : Embedding vectoriel et recherche par similarité cosinus pour identifier les contextes pertinents.
  3. Génération : Utilisation de cinq LLM différents (Claude, GPT-4, GPT-5) avec des Sorties Structurées (JSON/Pydantic) pour garantir un format de réponse cohérent et machine-lisible.
- Validation : Benchmark rigoureux contre des valeurs de référence (« ground truth ») extraites manuellement.
Étude de cas 3 : Classification et localisation des dommages automobiles (Vision)
- Approche : Comparaison d'un CNN classique, d'un LLM visionnaire standard (GPT-4o) et d'une version de ce LLM affinée (fine-tuned) sur un jeu de données de dommages automobiles.
- Objectif : Classifier le type de dommage (fissure, rayure, etc.) et localiser la zone affectée sur l'image.
- Technique : Utilisation de prompts système stricts et de formats de sortie structurés pour l'inférence, suivie d'un affinement du modèle sur des données étiquetées.
Étude de cas 4 : Migration de code legacy (Systèmes Multi-Agents)
- Approche : Conception d'un Système Multi-Agents (MAS) orchestré via LangGraph pour migrer automatiquement du code actuariel R vers Python.
- Architecture : Cinq agents spécialisés interagissent séquentiellement avec des boucles de rétroaction :
  1. Analyse R : Compréhension de la logique et des dépendances.
  2. Traduction : Conversion R $\to$ Python.
  3. Compilation : Vérification syntaxique et exécution.
  4. Tests : Exécution d'une suite de tests pré-écrite (validant la structure et les valeurs numériques par rapport à la vérité terrain R).
  5. Rapport : Génération d'un rapport de migration.
- Mécanisme : En cas d'échec, l'agent de traduction reçoit les erreurs et itère jusqu'à un nombre maximal de tentatives.

3. Contributions Clés

Preuve de concept opérationnelle : Démonstration que la GenAI peut être intégrée dans des flux de travail actuariels réels au-delà des simples chatbots, avec des résultats quantifiables.
Innovation méthodologique :
- Combinaison de l'extraction par LLM et de la modélisation statistique classique pour améliorer la précision prédictive.
- Utilisation de pipelines RAG robustes avec sorties structurées pour l'extraction de données financières complexes.
- Démonstration de l'efficacité du fine-tuning sur des modèles visionnaires pour des tâches d'assurance spécifiques.
- Introduction d'une architecture multi-agents avec validation par tests unitaires pour la migration de code, assurant la fiabilité fonctionnelle.
Ressources éducatives : Mise à disposition de notebooks Jupyter complets et reproductibles pour la communauté actuarielle.

4. Résultats

Prédiction des sinistres : L'ajout de caractéristiques extraites par LLM a amélioré significativement la performance du modèle : réduction de 18,2 % de l'erreur quadratique moyenne (RMSE) et augmentation du R² de 0,224 à 0,481 sur l'ensemble de test. Les gains sont statistiquement significatifs.
Extraction de données (RAG) : Les modèles GPT-4.1 et GPT-5.4 ont atteint un taux de réussite de 100 % sur l'extraction des ratios de solvabilité et des taux d'actualisation. La précision des notations de solidité financière a varié (de 66,7 % à 100 % selon le modèle), soulignant l'importance du prompt engineering et de la spécificité des instructions.
Classification d'images : Le modèle GPT-4o affiné a surpassé la version non affinée (précision de 0,880 vs 0,823) et a atteint des performances comparables à un CNN classique (0,837), tout en offrant des capacités de localisation et de contexte supplémentaires.
Migration de code : Le système multi-agents a réussi la migration de deux exemples de code actuariel (Chain-Ladder et GLM) avec un taux de réussite de 100 % sur 10 exécutions répétées. Le système a automatiquement corrigé les erreurs via des boucles de rétroaction, démontrant une robustesse élevée.

5. Signification et Implications

Cet article marque une étape importante dans l'adoption de la GenAI par les actuaires :

Au-delà de l'expérimentation : Il passe du concept théorique à l'implémentation pratique, montrant comment transformer des données non structurées en actifs décisionnels.
Gouvernance et Risque : L'article met en garde contre les risques spécifiques (non-déterminisme, hallucinations, injection de prompts, confidentialité des données) et propose un cadre de gouvernance strict (validation humaine, logging immuable, tests de régression, versioning des modèles).
Avenir du métier : Il confirme que la GenAI ne remplace pas l'actuaire mais devient un outil indispensable. La valeur ajoutée réside dans la capacité à concevoir des architectures hybrides (LLM + modèles statistiques, agents + tests unitaires) et à superviser les résultats.
Évolutivité : Les méthodologies présentées (RAG, agents, affinement) sont généralisables à d'autres domaines de l'assurance (souscription, détection de fraude, conformité réglementaire).

En conclusion, l'article fournit une feuille de route technique pour intégrer la GenAI de manière responsable, sécurisée et efficace dans la science actuarielle, en équilibrant innovation et rigueur réglementaire.